Разработчики выкатили открытую модель для генерации и редактирования картинок с прозрачным фоном в разрешении 2048 на 2048 пикселей. Вырезать объекты вручную или сторонними сервисами больше не нужно.
Внутри работает 64-канальный RGBA-автоэнкодер, а генеративный блок содержит 7 млрд параметров. За счет этого альфа-канал сохраняется прямо во время рендеринга.
Модель приспособили к сложным рабочим задачам:
- на вход можно скормить до 10 картинок-референсов разом;
- генерация объекта занимает стандартные 40 шагов денойзинга.
Правда, запустить всё это дома вряд ли выйдет. Тест в библиотеке Diffusers показал пиковый аппетит в 56,5 ГиБ видеопамяти на ускорителе Nvidia H100 при сборке квадратного кадра.
Бизнесу внедрить решение тоже непросто: для коммерческого использования нужен отдельный договор с правообладателем Hangzhou Tongyi Laboratory Technology.
Что это значит
Дизайнеры и селлеры смогут быстрее собирать карточки товаров и креативы, как только технологию встроят в популярные графические редакторы.
